AI量化学院AIQUANT ACADEMY
菜单
因子工程

做多因子组合时,为什么不能只看 IC

解释为什么多因子研究不能只依赖 IC 指标,并进一步介绍稳定性、分层表现、换手、容量与组合适配性等更关键的判断维度。

IC 可以帮助你快速判断一个因子是否具有方向性信息,因此它在前期筛选中很有价值。但问题在于,IC 只回答了“有没有相关性”,并没有回答“这种相关性能否稳定进入组合并转成收益”。
如果只盯着 IC,你很容易忽略很多更接近实盘的问题。

真正该看的,是稳定性和组合适配性

一个因子即使有不错的 IC,也可能在样本外失效、换手过高、行业偏置过强,或者和已有因子高度重合。真正进入组合前,你还需要看分层收益、分阶段表现、容量约束和组合里的边际贡献。
这也是为什么很多“IC 漂亮”的因子,最后并没有在组合中发挥想象中的价值。

高阶研究的关键,是从单因子视角切到组合视角

当研究进入更高阶段后,判断标准应该从“单个因子分数高不高”,切换到“它是否能让组合更稳、更可控、更有边际价值”。
IC 仍然重要,但它只能作为第一道门,而不是最后的决定因素。

资料与阅读边界

本文为方法讨论与教学说明。文中示例不等于经独立验证的收益实证;如需具体数据、计算口径或资料来源,可通过官方渠道提出核对请求。

历史结果不代表未来表现。使用前请检查数据时间边界、样本独立性、交易成本及适用条件。

关键结论

  • IC 适合做前期筛选,不适合独自承担最终判断
  • 稳定性、换手、容量和边际贡献更接近真实组合价值
  • 高阶因子研究必须从单因子评估走向组合评估

关联课程

如果你想把这篇文章里的方法系统化学习,可以从这些课程继续深入。

高级因子工程科学评估体系课程封面高阶
高级评估

因子工程评估大乘班

从统计过拟合诊断到 Gate 与生命周期、白箱因子工厂、时间结构与组合版 CSCV 验证、HealthScore 和滚动元模型,形成科学评估与动态组合的完整路径。

12小时12讲